Precios de BigQuery

Límites de uso de Always Free

Como parte del nivel gratuito de Google Cloud, BigQuery ofrece determinados recursos sin coste dentro de un límite específico. Estos límites de uso gratuito están disponibles tanto durante como después del periodo de prueba gratuito. Si los superas una vez finalizado dicho periodo, se te cobrará el servicio según los precios que aparecen en esta página.

Recurso Límites mensuales de uso gratuito Detalles
Almacenamiento Los 10 primeros GB del mes son gratuitos. Los modelos de BigQuery ML y los datos de entrenamiento almacenados en BigQuery están incluidos en el nivel gratuito de almacenamiento de BigQuery.
Consultas (análisis) El primer TB de datos de consultas procesado del mes es gratuito. Las consultas que utilizan las funciones de predicción, inspección y evaluación de BigQuery ML están incluidas en el nivel gratuito de análisis de BigQuery. Las consultas de BigQuery ML que incluyen declaraciones CREATE MODEL no lo están.
También hay una tarifa fija de BigQuery para clientes que tengan un gran volumen de consultas y prefieran pagar un coste mensual estable.
API BigQuery Storage Write (vista previa) Los 2 primeros TB del mes son gratuitos. Para obtener más información, consulta los precios de ingestión de datos.
Consultas CREATE MODEL de BigQuery ML Los 10 primeros GB de datos procesados al mes mediante consultas con declaraciones CREATE MODEL son gratuitos. Las consultas CREATE MODEL de BigQuery ML son independientes del nivel gratuito de análisis de BigQuery y solo se aplican a los modelos integrados de BigQuery ML (es decir, los modelos que se entrenan en BigQuery).

Precios de BigQuery ML

Los modelos de BigQuery ML se clasifican en dos categorías distintas: integrados y externos. Los modelos integrados de BigQuery ML se entrenan dentro de BigQuery, como es el caso de los modelos de regresión lineal o logística, de k-medias, de factorización de matriz o de serie temporal. Los modelos externos de BigQuery ML se entrenan en otros servicios de Google Cloud, como los modelos de DNN y de "boosted tree" (que se entrenan en Vertex AI) o los modelos de AutoML (que se entrenan en el backend de AutoML Tables). El precio del entrenamiento de modelos en BigQuery ML se basa en el tipo de modelo y en tu patrón de uso (es decir, la tarifa fija o el modelo bajo demanda). Las funciones de predicción y de evaluación de BigQuery ML se ejecutan en el servicio independientemente del tipo de modelo que utilices. Los precios correspondientes se indican a continuación.

Tarifa fija de BigQuery ML

BigQuery ofrece una tarifa fija para clientes empresariales o con un gran volumen de actividad que prefieran pagar un coste mensual estable, en lugar del precio bajo demanda para la creación, evaluación, inspección y predicción de modelos.

Puedes utilizar reservas para entrenar tus modelos actuales en BigQuery ML. Si optas por la tarifa fija, los costes de BigQuery ML se incluyen en la tarifa fija mensual de BigQuery.

Reservas para crear modelos integrados

BigQuery tiene tres tipos de tareas para la asignación de reservas: QUERY, PIPELINE y ML_EXTERNAL. Las asignaciones QUERY, que sirven para hacer consultas analíticas, también se usan para ejecutar consultas CREATE MODEL de modelos integrados de BigQuery ML. Las consultas analíticas y de entrenamiento de modelos integrados comparten el mismo grupo de recursos en sus reservas asignadas y tienen el mismo comportamiento en lo que respecta a la interrumpibilidad y el uso de ranuras inactivas de otras reservas.

Reservas para crear modelos externos

Como los modelos externos se entrenan fuera de BigQuery, estas cargas de trabajo no son interrumpibles. Por tanto, para asegurarse de que no se vean afectadas otras cargas de trabajo, en las tareas externas solo pueden usarse reservas con la asignación de tipo de tarea ML_EXTERNAL. Debes tener asignaciones de reservas con los tipos de tarea QUERY y ML_EXTERNAL para ejecutar consultas CREATE MODEL de modelos externos de BigQuery ML. El tipo de ranura QUERY se usa para procesar previamente las consultas que se ejecutan en BigQuery, y el tipo de ranura ML_EXTERNAL, para ejecutar el entrenamiento de modelos en servicios externos de Google Cloud. En la página que trata la gestión de cargas de trabajo con reservas se explica cómo crear reservas para tareas de entrenamiento de modelos externos. Se calcula el uso de ranuras por tarea para equiparar los costes de la ranura de BigQuery y de los servicios externos de Google Cloud.

Precios bajo demanda de BigQuery ML

El precio de BigQuery ML para las consultas bajo demanda depende del tipo de operación con los modelos: creación, evaluación, inspección o predicción.

Los precios bajo demanda de BigQuery ML son los siguientes:

Ejecución de prueba de BigQuery ML

Debido a la naturaleza de los algoritmos subyacentes de algunos tipos de modelos y a las diferencias de facturación, los bytes procesados de algunos tipos de modelos no se calcularán hasta que finalice el entrenamiento, ya que resulta complejo hacer un cálculo inicial.

Ejemplo de precios de BigQuery ML

Los cargos de BigQuery ML no aparecen por separado en tu extracto de facturación. En el caso de los modelos actuales, si tienes un plan de tarifa fija de BigQuery, los cargos de BigQuery ML se incluyen en ella.

Si optas por el modelo de precios bajo demanda, los cargos de BigQuery ML se incluyen en los cargos de análisis de BigQuery (consultas).

Las tareas de BigQuery ML que realizan operaciones de inspección, evaluación y predicción generan los mismos cargos que las tareas de consulta bajo demanda. Como las consultas CREATE MODEL generan cargos diferentes, tienes que calcular los costes de la tarea CREATE MODEL de forma independiente mediante los registros de auditoría de Cloud Logging. Con los registros de auditoría, puedes determinar los bytes facturados por el servicio BigQuery ML para cada tarea CREATE MODEL de BigQuery ML. A continuación, multiplica los bytes facturados por el coste correspondiente de las consultas CREATE MODEL en tu ubicación regional o multirregional.

Por ejemplo, para determinar el coste de una tarea de consulta en US que incluya una declaración CREATE MODEL de BigQuery ML, sigue estos pasos:

  1. Abre la página Cloud Logging Logging en la consola de Google Cloud.

  2. Comprueba que esté seleccionado el producto BigQuery.

  3. Haz clic en la flecha de menú desplegable del cuadro "Filtrar por etiqueta o buscar texto" y selecciona Convertir a filtro avanzado. De este modo, se añade el siguiente texto al filtro:

    resource.type="bigquery_resource"
    
  4. Añade este texto en la segunda línea debajo de la línea resource.type:

    protoPayload.serviceData.jobCompletedEvent.job.jobConfiguration.query.statementType="CREATE_MODEL"
    
  5. A la derecha del botón Enviar filtro, elige el periodo correspondiente en la lista desplegable. Por ejemplo, si escoges Últimas 24 horas, se mostrarán las tareas CREATE MODEL de BigQuery ML finalizadas en las últimas 24 horas.

  6. Haz clic en Enviar filtro para mostrar las tareas finalizadas en el periodo seleccionado.

  7. Cuando se rellenen los datos, haz clic en Opciones de visualización y selecciona Modificar campos personalizados.

  8. En el cuadro de diálogo Añadir campos personalizados, introduce:

    protoPayload.serviceData.jobCompletedEvent.job.jobStatistics.totalBilledBytes
    
  9. Haz clic en Guardar para actualizar los resultados.

  10. Cuando la página se actualice, aparecerán los bytes facturados por cada tarea de BigQuery ML a la derecha de la marca de tiempo. Si los bytes facturados están incluidos en el nivel gratuito, no aparecerá ningún valor. Por ejemplo:

    Bytes facturados de BigQuery ML

  11. Para calcular los cargos de la tarea CREATE MODEL de BigQuery ML, multiplica los bytes facturados por el precio de BigQuery ML bajo demanda. En este ejemplo, la tarea CREATE MODEL ha procesado 100.873.011.200 bytes. Para calcular el coste de esta tarea en la ubicación multirregional US, divide los bytes facturados entre el número de bytes por TB y multiplica el resultado por el coste de creación de modelos:

    100873011200/1099511627776 x $250.00 = $22.94

Siguientes pasos